适用于低对比度含噪声图像的阈值化方法及装置的制造方法

适用于低对比度含噪声图像的阈值化方法及装置的制造方法
【专利摘要】一种适用于低对比度含噪声图像的阈值化方法及装置，包括：基于最小方差滤波思想，自适应地获取像素点邻域均值；结合灰度与均值信息建立非对称共生矩阵；应用二维直线型Arimoto熵作为阈值选取方法；通过均匀性测度函数指导Arimoto熵中参数的选取。本发明体现在目标分割的完整性、边缘的清晰性、抗噪声性方面的处理效果较佳。
【专利说明】
适用于低对比度含噪声图像的闕值化方法及装置
技术领域
[0001] 本发明设及图像分割的实现，尤其设及到一种阔值化分割算法的实现。
【背景技术】
[0002] 图像分割是图像处理向图像分析过渡的重要步骤。其中阔值化分割算法W其简 单、高效、便于理解等特性在图像预处理中得到了广泛研究与应用。
[0003] 数字图像复杂、多样，大量图像的目标与背景在亮度、颜色、纹理等特征上差异较 小，目标与背景分界不明显，并且含有噪声，运类图像的阔值选取是图像分割研究中的重点 和难点，阔值化算法的设计需要结合图像的多种特征信息进行。
[0004] 现有的图像分割方法中，基于信息赌建立阔值化准则函数是一类重要方法，除准 则函数的选用，图像特征信息的合理选取是准确计算阔值的关键。其中，应用相邻像素间存 在的灰度关联性建立共生矩阵，应用图像灰度、均值、中值、梯度等空间相关性建立共生矩 阵的运两类方法。在阔值选取中能够取得良好的效果，但是分割结果受特征信息获取质量 的影响大，而且过多特征量的选用会增加运算的维数。另外，当图像受噪声影响大时，仅应 用均值或中值提高抗噪性能效果不明显。
[0005] 对于目标与背景特征差异小的低对比度且含噪声图像分割，如何根据图像情况准 确选取特征信息，提高抗噪声性能，并且降低运算维数，是阔值化方法研究的重点。

【发明内容】

[0006] 本发明要解决的技术问题在于，针对现有技术的上述缺陷，提出一种适用于低对 比度含噪声图像的阔值化方法及装置，处理效果较佳。
[0007] 本发明解决其技术问题所采用的技术方案是:提供一种适用于低对比度含噪声图 像的阔值化方法，其包括:基于最小方差滤波思想，自适应地获取像素点邻域均值;结合灰 度与均值信息建立非对称共生矩阵;应用二维直线型Arimoto赌作为阔值选取方法;通过均 匀性测度函数指导Arimoto赌中参数的选取。
[000引本发明解决其技术问题所采用的技术方案还是:提供一种适用于低对比度含噪声 图像的阔值化装置，其包括:第一模块，用于基于最小方差滤波思想，自适应地获取像素点 邻域均值;第二模块，用于结合灰度与均值信息建立非对称共生矩阵;第Ξ模块，用于应用 二维直线型Arimoto赌作为阔值选取方法；W及第四模块，用于通过均匀性测度函数指导 Arimoto赌中参数的选取。
[0009]本发明的有益效果在于，通过均值获取方法更加符合图像的特征，对于低对比度 的图像，更能完整地保留目标边缘信息;通过应用灰度-均值构建二维共生矩阵，考虑了图 像邻域空间信息，可提高抗噪声性能;通过二维直线型Arimoto信息赌函数，对噪声和边界 区域信息丰富的图像更适用;通过应用均匀性测度函数对二维直线型Arimoto赌中参数进 行选择，使得阔值化准则函数对目标与背景内部信息保留更完整，对噪声信号有更强的抑 制效果，从而体现在目标分割的完整性、边缘的清晰性、抗噪声性方面的处理效果较佳。
【附图说明】
[0010] 下面将结合附图及实施例对本发明作进一步说明，附图中：
[0011] 图1为本发明适用于低对比度含噪声图像的阔值化方法的流程示意。
[0012] 图2a、2b和2c为本发明九种滤波处理模板的形状示意，其中，图2a示出了一个方形 模板与像素的关系，图2b示出了四个屋形模板与像素的关系，图2c示出了四个六边形模板 与像素的关系。
[0013] 图3为本发明二维非对称共生矩阵的示意。
[0014] 图4为本发明二维直线型Arimoto赌分割区域划分的示意。
[001引图5a、5b、5c和5d为CT图像示意，其中，图5a示出了含噪声图像，图化示出了采用本 发明方法处理后的结果，图5c示出了采用常规的二维直线型Arimoto赌的结果，图5d示出了 采用常规的二维最大赌的结果。
[0016] 图6a、6b、6c和6d为卫星图像示意，其中，图6a示出了含噪声图像，图6b示出了采用 本发明方法处理后的结果，图6c示出了采用常规的二维直线型Arimoto赌的结果，图6d示出 了采用常规的二维最大赌的结果。
[0017]图7a、7b、7c和7d为车牌图像示意，其中，图7a示出了含噪声图像，图7b示出了采用 本发明方法处理后的结果，图7c示出了采用常规的二维直线型Arimoto赌的结果，图7d示出 了采用常规的二维最大赌的结果。
【具体实施方式】
[0018] 现结合附图，对本发明的较佳实施例作详细说明。
[0019] 本发明针对目标与背景灰度差异小且含噪声的图像，如医学图像、航拍图像等，设 计自适应获取图像特征及信息融合的方法，建立阔值化准则函数，并对准则函数中的参数 进行优化，获得目标完整边缘清晰，抗噪性能好的结果。
[0020] 本发明方法包括:基于最小方差滤波思想，自适应地获取像素点邻域均值;结合灰 度与均值信息建立非对称共生矩阵;应用二维直线型Arimoto赌作为阔值选取方法;通过均 匀性测度函数指导Arimoto赌中参数的选取。
[0021] 参见图1，图1为本发明适用于低对比度含噪声图像的阔值化方法的流程示意。本 发明提供一种适用于低对比度含噪声图像的阔值化方法，其包括W下步骤：
[0022] 101、读入低对比度含噪声图像。
[0023] 102、用九个不同形状的模板求均值和方差。
[0024] 103、选取方差最小模板对应的均值。
[0025] 104、结合像素点灰度与W上获得的均值构造共生矩阵。
[00%] 105、基于上述共生矩阵建立二维直线型Arimoto信息赌函数。
[0027] 106、求图像的均匀性测度函数。
[002引107、应用均匀性测度函数选取上述Arimoto赌中最优参数。
[0029] 108、应用参数优化后的Ar imo to赌函数获取最佳阔值。
[0030] 可见，本发明方法的实现可W用下列四个步骤来描述。
[0031] 步骤一、应用九种不同形状的模板，对每一像素点进行最小方差滤波，选取方差最 小值对应的均值；
[0032] 步骤二、对每一像素点，将灰度与均值信息融合，构造二维非对称共生矩阵；
[0033] 步骤Ξ、建立二维直线型Arimoto赌阔值函数，作为阔值化准则函数，并应用快速 递推算法简化运算过程，降低运算维数；
[0034] 步骤四、应用均匀性测度函数作为上述赌函数中参数的选取准则，建立自适应的 二维直线型Arimoto赌阔值函数。
[0035] W下，对运四个步骤的实现予W详细说明。
[0036] 步骤一、基于最小方差滤波思想获取邻域均值。
[0037] 参见图2a、2b和2c，W5X5窗口为基准，应用九种不同形状的滤波模板，其中/ 对应的像素为当前的待处理像素200。九种模板包括一个方形模板201、四个屋形模板203和 四个六边形模板205。对每个像素点都用九个模板进行滤波处理，求均值和方差，同时比较 九个方差值的大小，然后取方差最小的模板的灰度均值作为该像素的邻域平均值。具体处 理步骤为：
[0038] W"·"包围的像素 f(x，y)为中屯、，计算图2a、2b和2c所示的九个模板中的所有像 素的灰度分布方差Si2(i = l，2，L，9);
[0039] 找出方差值为最小的模板，求灰度均值，记为7ir，.v,h
[0040] 对图像中所有像素点均进行相同的处理；
[0041] 应用方差最小的模板求取的像素灰度平均值，参与共生矩阵的构造。
[0042] 步骤二、灰度-均值二维非对称共生矩阵的构建。
[0043] 参见图3,图3为本发明二维非对称共生矩阵的示意。对于MXN大小的灰度图像G = [0，1，L，L-1]，则在一个化-1)X化-1)大小的正方形区域上定义灰度-均值二维共生矩阵，C α，j)是灰度f(x，y)和均值二元组（i，j)出现的频次，简记为CU。则二元组发生的频 率
[0044] 步骤Ξ、二维直线型Arimoto赌阔值方法
[0045] 1)二维 Arimoto 赌
[0046] 定义图像目标和背景的二维Arimoto赌分别为：
[0049] 其中，为图像目标的二维Arimoto赌，α为赌参数，P〇(s，t)为目标部分概率 和，口。为二元组概率;//:'(、0为图像背景的二维Arimoto赌，Pi(s，t)为背景部分概率和，口〉 0且α声1。
[0050] 基于Arimoto赌的准可加性，应用的赌判别函数为：
[0化1 ]
[0052]将目标和背景的二维Arimoto赌带入判别函数式中得：
[0056]应用W上判别函数，使其达到最大，即可求得图像的最佳阔值向量(s^a)，t^a)): [0化7]
[0化引 2)二维直线型Arimoto赌
[0059] 对于边界区域W及噪声信息丰富的图像，运里采用二维灰度直方图区域的"直线 型"划分方式。
[0060] 参见图4,图4为本发明二维直线型Arimoto赌分割区域划分的示意。如果（s，t)是 选取的阔值点，作过(s，t)且垂直于对角线的直线r(i，j)将二维区域分成两块Co(s，t)和Cl (S，t)，简记为Co和Cl，分别表示目标和背景。
[0061] 运样，目标和背景出现的概率分别为：
[0064]且满足 P〇(s,t)+Pi(s,t) = l。
[00化]目标和背景的二维直线型Arimoto赌公式为：
[006引 其中，α〉0，α声1。
[0069] 则判别函数的简化形式为：
[0070]
[0071] 由于选取阔值线r(i，j)将二维区域分成Co和Cl两块，运时我们得到的阔值不再是 一个点（s^a)，t^a))，而是一条i+j = s^a)+t^a)的直线，根据运条直线对原图像进行分 害d，像元的归类方式为：
[0072]
[0073] 其中，爲片乃为像素归类的灰度。
[0074] 3)二维Ar imoto赌直线型阔值分割快速算法。
[0075] 为了简化运算，减小运算维数，给出二维直线型Arimoto赌阔值法的递推公式。
[0076] 定义二维联合幕概率分布式为：
'其概率运算递推过程如 下：
[0083] 其中，号（Λ'，〇为二维联合概率。
[0084] W上递推公式中最佳阔值向量(s^a)，t^a))的确定，计算复杂度为〇(L2)。阔值选 取只需遍历二维直方图定义域的主对角线和一条次主对角线，捜索空间为化-1个点。
[0085] 步骤四、应用均匀性测度函数选取赌函数的参数
[0086] 在二维Arimoto赌中，参数α的值影响阔值选取的准确性。而在图像分割中，均匀性 测度(简记为UM)能够客观地反映属于图像内部区域的特征信息。其应用思想是，分割为同 一类的像素值分布应该具有均匀性。因此，运里根据该测度函数进行α的优化选取。
[0087] 对于给定阔值t，均匀性测度准则的定义如下：
[0092] 其中，UM(t)为图像的均匀性测度准则函数，Ri表示分割后的第i个区域(i = l，2)， 扣表示区域Ri的方差，μ康示区域Ri的均值，F康示区域R冲的像素总个数，Cr是归一化参 数，fmax( X，y )、fmin( X，y )分别表示像素最大、最小值。
[0093] -个区域内的均匀性与区域内的方差成反比，区域均匀性越好，其灰度分布越集 中。因此可W应用均匀性测度准则来优化选择参数α值，得到最佳值(/的计算式为：
[0094] a* = Arg max[UM(t(a)) ], (〇<α<1)
[OOM]为了加快参数的选取速度，运里采用自适应粒子群算法(PSO)对(/进行优化捜索， 参数优化的范围取为ae(〇，l)。如果分割小目标图像，参数的优化取值范围可W扩大到ae (0,!0)〇
[0096] 参见图5a、5b、5c和5d，图5a、5b、5c和5d为CT图像示意，其中，图5a示出了含噪声图 像，图化示出了采用本发明方法处理后的结果，图5c示出了采用常规的二维直线型Arimoto 赌的结果，图5d示出了采用常规的二维最大赌的结果。可见，在目标分割的完整性、边缘的 清晰性W及抗噪声性等方面，本发明方法处理效果要比二维直线型Arimoto赌和二维最大 赌方法好。
[0097] 参见图6a、6b、6c和6d，图6a、6b、6c和6d为卫星图像示意，其中，图6a示出了含噪声 图像，图6b示出了采用本发明方法处理后的结果，图6c示出了采用常规的二维直线型 Arimoto赌的结果，图6d示出了采用常规的二维最大赌的结果。可见，在目标分割的完整性、 边缘的清晰性W及抗噪声性等方面，本发明方法处理效果要比二维直线型Arimoto赌和二 维最大赌方法好。
[0098] 参见图7a、7b、7c和7d，图7a、7b、7c和7d为车牌图像示意，其中，图7a示出了含噪声 图像，图7b示出了采用本发明方法处理后的结果，图7c示出了采用常规的二维直线型 Arimoto赌的结果，图7d示出了采用常规的二维最大赌的结果。可见，在目标分割的完整性、 边缘的清晰性W及抗噪声性等方面，本发明方法处理效果要比二维直线型Arimoto赌和二 维最大赌方法好。
[0099] 本发明的有益效果在于，通过均值获取方法更加符合图像的特征，对于低对比度 的图像，更能完整地保留目标边缘信息;通过应用灰度-均值构建二维共生矩阵，考虑了图 像邻域空间信息，可提高抗噪声性能;通过二维直线型Arimoto信息赌函数，对噪声和边界 区域信息丰富的图像更适用;通过应用均匀性测度函数对二维直线型Arimoto赌中参数进 行选择，使得阔值化准则函数对目标与背景内部信息保留更完整，对噪声信号有更强的抑 制效果，从而体现在目标分割的完整性、边缘的清晰性、抗噪声性方面的处理效果较佳。
[0100] 本发明方法适用的图像有:医学图像、卫星图像和光照不均匀图像等目标与背景 特征差异小的低对比度且含噪声图像。
[0101] 本发明方法的实现，既可W通过处理器上运行的程序予W实现，也可W构建对应 的硬件模块来实现各个步骤。硬件模块的构建并不必要与本发明方法的步骤一一对应，比 如:一个硬件模块可W对应于不只一个步骤的实现，又比如:一个步骤的实现可W对应于多 个硬件模块。可W理解，本发明还提出一种装置，能够实现本发明方法，比如:该装置包括四 个模块，运四个模块分别对应于上述的四个步骤的实现;又比如:该装置包括八个模块，运 八个模块分别对应于上述图1示出的八个步骤的实现。
[0102] 应当理解的是，W上实施例仅用W说明本发明的技术方案，而非对其限制，对本领 域技术人员来说，可W对上述实施例所记载的技术方案进行修改，或者对其中部分技术特 征进行等同替换;而运些修改和替换，都应属于本发明所附权利要求的保护范围。
【主权项】
1. 一种适用于低对比度含噪声图像的阈值化方法，其特征在于，包括:基于最小方差滤 波思想，自适应地获取像素点邻域均值;结合灰度与均值信息建立非对称共生矩阵;应用二 维直线型Arimoto熵作为阈值选取方法;通过均匀性测度函数指导Arimoto熵中参数的选 取。2. 根据权利要求1所述的阈值化方法，其特征在于:所述的基于最小方差滤波思想，自 适应地获取像素点邻域均值的过程是指应用九种不同形状的模板，对每一像素点进行最小 方差滤波，选取方差最小值对应的均值。3. 根据权利要求2所述的阈值化方法，其特征在于:这九种模板包括一个方形模板、四 个屋形模板和四个六边形模板。4. 根据权利要求1所述的阈值化方法，其特征在于:所述的结合灰度与均值信息建立非 对称共生矩阵的过程是指对每一像素点，将灰度与均值信息融合，构造二维非对称共生矩 阵。5. 根据权利要求4所述的阈值化方法，其特征在于:构造二维非对称共生矩阵的实现包 括:对于ΜXN大小的灰度图像G = [0，1，L，L-1 ]，则在一个(L-l) X (L-1)大小的正方形区域 上定义灰度-均值二维共生矩阵，c(i，j)是灰度f (X，y)和均值二元组（i，j)出现的 频次，简记为(?，二元组发生的频率：6. 根据权利要求1所述的阈值化方法，其特征在于:所述应用二维直线型Arimoto熵作 为阈值选取方法的过程是指建立二维直线型Arimoto熵阈值函数，作为阈值化准则函数，并 应用快速递推算法简化运算过程，降低运算维数。7. 根据权利要求6所述的阈值化方法，其特征在于:所述快速递推算法的公式为:定义 二维联合幂概率分布式为Λ(_Μ：)= Σ '最佳阈值向量(8?，^^))的递推过 程如下：其中，^ 为二维联合概率，α为熵参数，PQ(s，t)为目标部分概率和，Plj为二元组概 率。8. 根据权利要求1所述的阈值化方法，其特征在于:通过均匀性测度函数指导Arimoto 熵中参数的选取的过程是指应用均匀性测度函数作为上述熵函数中参数的选取准则，建立 自适应的二维直线型Arimoto熵阈值函数。9. 根据权利要求8所述的阈值化方法，其特征在于:对于给定阈值t，均匀性测度准则的 定义如下：其中，UM(t)为图像的均匀性测度准则函数，心表示分割后的第i个区域(1 = 1，2)，〇^表 示区域Ri的方差，μL表示区域Ri的均值，Fi表示区域Ri中的像素总个数，Cr是归一化参数，fmax (^7)^_(^7)分别表示像素最大、最小值;应用均勾性测度准则来优化选择参数〇值，得 到最佳值f的计算式为： a*=Argmax[UM(t(a)) ], (0<α<1) 采用自适应粒子群算法PSO对进行优化搜索，参数优化的范围取为a e (〇，1);如果分 割小目标图像，参数的优化取值范围可以扩大到ae(〇, 10)。10. -种适用于低对比度含噪声图像的阈值化装置，其特征在于:包括:第一模块，用于 基于最小方差滤波思想，自适应地获取像素点邻域均值;第二模块，用于结合灰度与均值信 息建立非对称共生矩阵；第三模块，用于应用二维直线型Arimoto熵作为阈值选取方法；以 及第四模块，用于通过均匀性测度函数指导Arimoto熵中参数的选取。
【文档编号】G06T7/00GK106067174SQ201610370719
【公开日】2016年11月2日
【申请日】2016年5月30日 公开号201610370719.3, CN 106067174 A, CN 106067174A, CN 201610370719, CN-A-106067174, CN106067174 A, CN106067174A, CN201610370719, CN201610370719.3
【发明人】张弘
【申请人】西安邮电大学